V čom sa líšia GNN od klasických algoritmov na grafoch (PageRank, label propagation)?

Grafové neurónové siete (GNN) sa líšia od klasických algoritmov na grafoch, ako je PageRank alebo šírenie štítkov, predovšetkým svojou schopnosťou učiť sa a generalizovať na základe dát.

• Schopnosť učenia: GNN sú neurónové siete, ktoré sa trénujú na grafoch dátach, automaticky extrahujúc vlastnosti a závislosti. Klasické algoritmy majú zvyčajne pevne stanovenú logiku a neučia sa.

• Flexibilita reprezentácie: GNN môžu používať rôzne typy vlastností vrcholov a hrán, ako aj zohľadňovať zložité nelineárne závislosti, zatiaľ čo klasické algoritmy často pracujú iba so štruktúrou grafu.

• Generalizácia: GNN sú schopné generalizovať znalosti na nové grafy alebo uzly, čo je dôležité pre úlohy predpovede. Klasické algoritmy zvyčajne riešia špecifické úlohy, ako je radenie (PageRank) alebo šírenie štítkov, bez učenia.

• Architektúra: GNN sú založené na myšlienke agregácie informácií od susedov (message passing), čo umožňuje efektívne zohľadniť lokálnu štruktúru a vlastnosti.

Príklad: PageRank vypočíta dôležitosť uzlov na základe štruktúry odkazov, bez učenia. GNN môžu byť trénované na predpovedanie vlastností uzlov, využívajúc ako štruktúru, tak aj vlastnosti, prispôsobujúc váhy agregácie počas tréningu.